Qual é o propósito de tf.app.flags no TensorFlow?

Estou lendo alguns códigos de exemplo no Tensorflow, encontrei o seguinte código

flags = tf.app.flags
FLAGS = flags.FLAGS
flags.DEFINE_float('learning_rate', 0.01, 'Initial learning rate.')
flags.DEFINE_integer('max_steps', 2000, 'Number of steps to run trainer.')
flags.DEFINE_integer('hidden1', 128, 'Number of units in hidden layer 1.')
flags.DEFINE_integer('hidden2', 32, 'Number of units in hidden layer 2.')
flags.DEFINE_integer('batch_size', 100, 'Batch size.  '
                 'Must divide evenly into the dataset sizes.')
flags.DEFINE_string('train_dir', 'data', 'Directory to put the training data.')
flags.DEFINE_boolean('fake_data', False, 'If true, uses fake data '
                 'for unit testing.')

no tensorflow/tensorflow/g3doc/tutorials/mnist/fully_connected_feed.py

Mas não consigo encontrar nenhum documento sobre o uso de tf.app.flags.

E descobri que a implementação dessas sinalizações está no tensorflow/tensorflow/python/platform/default/_flags.py

Obviamente, isso tf.app.flagsé de alguma forma usado para configurar uma rede, então por que não está nos documentos da API? Alguém pode explicar o que está acontecendo aqui?

O tf.app.flagsmódulo é atualmente um wrapper fino em torno de python-gflags, portanto, a documentação para esse projeto é o melhor recurso para como usá-lo argparse , o que implementa um subconjunto da funcionalidade em python-gflags.

Observe que este módulo está atualmente empacotado como uma conveniência para escrever aplicativos de demonstração e não é tecnicamente parte da API pública, portanto, pode mudar no futuro.

Recomendamos que você implemente sua própria análise de sinalização usando argparseou qualquer biblioteca de sua preferência.

EDITAR: O tf.app.flagsmódulo não é implementado de fato usando python-gflags, mas usa uma API semelhante.

O tf.app.flagsmódulo é uma funcionalidade fornecida pelo Tensorflow para implementar sinalizadores de linha de comando para seu programa Tensorflow. Como exemplo, o código que você encontrou faria o seguinte:

flags.DEFINE_float('learning_rate', 0.01, 'Initial learning rate.')

O primeiro parâmetro define o nome do sinalizador, enquanto o segundo define o valor padrão caso o sinalizador não seja especificado durante a execução do arquivo.

Portanto, se você executar o seguinte:

$ python fully_connected_feed.py --learning_rate 1.00

então, a taxa de aprendizagem é definida como 1,00 e permanecerá 0,01 se o sinalizador não for especificado.

Conforme mencionado neste artigo , os documentos provavelmente não estão presentes porque isso pode ser algo que o Google exige internamente para seus desenvolvedores usarem.

Além disso, conforme mencionado na postagem, há várias vantagens em usar sinalizadores do Tensorflow em vez da funcionalidade de sinalização fornecida por outros pacotes Python, como argparseespecialmente ao lidar com modelos do Tensorflow, sendo o mais importante que você pode fornecer informações específicas do Tensorflow para o código, como informações sobre qual GPU usar.

No Google, eles usam sistemas de sinalização para definir valores padrão para argumentos. É semelhante a argparse. Eles usam seu próprio sistema de sinalização em vez de argparse ou sys.argv.

Fonte: Já trabalhei lá antes.

Quando você usa tf.app.run(), você pode transferir a variável de forma muito conveniente entre threads usando tf.app.flags. Veja isto para uso posterior de tf.app.flags.

Depois de tentar várias vezes, descobri que isso imprimia todas as chaves FLAGS, bem como o valor real -

for key in tf.app.flags.FLAGS.flag_values_dict():

  print(key, FLAGS[key].value)